从文本中提取字母数字和数字+特殊字符

Question

我正试图从文本中提取字母数字和数字的混合物。这两种类型的单词可能都有特殊的字符，比如"-"。文本示例如下。

text = 'This item is A12345, with serial no. 123 456 789 or 123456789, ref no. 876-543, code ABC-D-123.'

我得出了这样的结论：CCD_ 2。

但它返回：['A12345', '123', '456', '789', '123456789', '876', '543', '123']

预期输出为：['A12345', '123 456 789', '123456789', '876-543', 'ABC-D-123']

此外，项目A12345可以具有类似于12A345或12345A的不同变体。这类似于参考号，其中'ABC-D-123'也可以是'ABC-FF-123-456'、'FF-123-456-AB'等。

edit：删除了代码中粗体输出的**，以避免混淆

edit2：将SKU修改为序列

Answer 1

根据您最近的编辑，以下regex模式似乎有效：

b[A-Z0-9]+(?:[ -][A-Z0-9]+)*b

这只是说，如果给定的匹配有多个单词，则用大写字母或数字(用空格或连字符分隔(匹配单词集合。

完整脚本：

text = 'This item is A12345, with serial no. 123 456 789 or 123456789, ref no. 876-543, code ABC-D-123.'
matches = re.findall(r'b[A-Z0-9]+(?:[ -][A-Z0-9]+)*b', text)
print(matches)

此打印：

['A12345', '123 456 789', '123456789', '876-543', 'ABC-D-123']